Farmaceutische data-analyse
Deel 1: Introductie, motivatie en voorbeeld
Hoofdstuk 2: Homeopathie: De test
2.1 Blinding
Bias = dit is een systematische fout in het onderzoeksproces die kan ontstaan wanneer de
onderzoeker of de deelnemer beïnvloed wordt door kennis over de toewijzing aan een
bepaalde conditie of verwachting over het resultaat. Dit kan leiden tot een vertekend beeld
van de werkelijkheid, waardoor de resultaten niet meer objectief of representatief zijn.
In het onderzoek kunnen er 2 soorten bias optreden:
Observer bias = de onderzoeker weet onder welke condities elke participant zich
bevindt, waardoor hij/zij door verwachtingen onbewust fout positieve resultaten zal
rapporteren en/of interpreteren.
Performance bias = de participant weet onder welke conditie hij/zij zich bevindt,
waardoor hij/zij zich anders kan gedragen op basis van de veronderstelde
verwachtingen. Hieronder valt ook het placebo-effect, waarbij participanten zich
beter gaan voelen omdat ze denken dat hun behandeling werkt.
Bias kan dan voorkomen worden door blinding = het willekeurig toedienden van codes aan
samples of behandelingen. Vaak wordt double-blinding toegepast, waarbij zowel de
onderzoeker als de participanten niet weten tot welke groep ze behoren.
Deze codes worden verbroken nadat alle data verzameld wordt, zodat correcte resultaten
gerapporteerd kunnen worden.
Hoe minder objectief de metingen zijn, des te groter de kans op basis en dus des te
belangrijker blindering.
o Voorbeelden van objectieve metingen: overleving, oogkleur, lengte, hartslag, leeftijd,
bloeddruk (tenzij handmatig gemeten)
o Voorbeelden van semi-objectieve metingen: tumorreductie, MRI-interpretatie,
bloedwaarden met interpretatie, beoordeling van wondgenezing
Deze waarden worden bekomen door objectieve metingen, maar de resulaten
vereisen menselijke interpretatie en dat is semi-subjectief.
o Voorbeelden van subjectieve metingen: pijnscore (bv VAS-schaal), vermoeidheid,
angst/depressie (bv via vragenlijst), levenskwaliteit, slaapkwaliteit (zonder objectieve
meting)
Bij subjectieve metingen is het vaak belangrijk dat participanten zelf niet weten tot
welke groep ze behoren, om performance bias te vermijden.
1
,Blindering is niet even gemakkelijk onder eender welke conditie. Zo is blindering bij zichtbare
interventies praktisch onhaalbaar.
o Voorbeelden: toediening van een specifieke injectie per groep, andere
wondverzorging per groep, …
In deze situaties wordt er een duidelijk onderscheid gemaakt tussen groepen. Het kan zijn
dat er interventies gedaan worden waarbij dit onderscheid niet duidelijk is.
o Voorbeelden: andere pil in dezelfde verpakking, onbekend of injectie geneesmiddel
of placebo bevat, …
2.2 Placebo
Placebo = product dat de actieve stof niet bevat, enkel hulpstoffen, zodat alle eigenschappen
overeenkomen met het echte geneesmiddel in afwezigheid van de werkzame stof. Het is
ontworpen om identiek te lijken, smaken en aanvoelen als het echte middel, zodat
participanten en onderzoekers niet kunnen onderscheiden of ze het actieve middel krijgen.
Dit maakt het mogelijk om het effect van de werkzame stof afzonderlijk te meten, los van
psychologische of contextuele invloeden.
Het feit dat patiënten beter worden is géén evidentie voor de effectiviteit van de
behandeling: natuurlijke verbetering kan optreden, of verbetering kan het resultaat zijn van
de aandacht dat er gegeven wordt aan de participant.
Daarom is placebo een vereiste voor het aantonen van de effectiviteit van een behandeling,
omdat er dan vergelijkingen gemaakt kunnen worden tussen de placebo-resultaten en de
geneesmiddel-resultaten en er op basis van die vergelijkingen correcte interpretaties over de
effectiviteit van de behandeling gedaan kunnen worden.
Gevallen waarbij placebo niet ethisch zou zijn, maken gebruik van vergelijking tussen de
nieuwe behandeling en de standaardbehandeling die al toegepast wordt in de praktijk.
Het doel daarvan is om te bewijzen dat de nieuwe behandeling minstens even goed is als de
standaardbehandeling.
2.3 Het ultieme experiment en de statistieken
Hoe een 2 x 2 tabel interpreteren?
Kolommen = beslissing: deze kolommen moet men
verticaal lezen.
2
,Rijen = werkelijkheid: deze rijen moet men horizontaal lezen.
Maar men moet deze resultaten gecombineerd interpreteren. Dat doet men als volgt: bij de
kolom van homeopathie heeft men de getallen 11 en 9, die representeren allebei de keuze
van homeopathie. Maar het cijfer 11 hoort bij de rij homeopathie, en het cijfer 9 hoort bij de
rij placebo. Dit wil zeggen dat er 11 flesjes gekozen werden als homeopathie die werkelijk
homeopathie zijn, maar dat er 9 flesjes gekozen werden als homeopathie die werkelijk
placebo zijn. Dit kan men ook toepassen bij de kolom van placebo, waarbij 9 flesjes als
placebo gegroepeerd werden maar in werkelijkheid homeopathie zijn, en 11 flesjes als
placebo gegroepeerd werden die in werkelijkheid placebo zijn.
Besluit: 11/20 werd juist gekozen, wat wil zeggen dat er een lichte evidentie is voor de
effectiviteit van homeopathie.
Bij x = 11 correcte positieve testresultaten is de kans dat dit resultaat optreedt door puur
toeval gelijk aan 37,62% (onder de aanname dat homeopathie geen effect heeft). Dit
betekent dat zo’n resultaat relatief vaak voorkomt. Daarom is er geen reden om aan te
nemen dat homeopathie effectiever is dan toeval.
—> H en P worden als equivalent beschouwd.
Bij x = 15 correcte positieve testresultaten is de kans dat dit resultaat optreedt door puur
toeval gelijk aan slechts 0,19%. Zo’n klein percentage betekent dat het bijna nooit voorkomt
als homeopathie niet effectief is. Daarom is dit sterk bewijs tegen de nulhypothese (stelt dat
H = P), en dus bewijs vóór een effect van homeopathie.
—> H en P worden niet als equivalent beschouwd.
Echter, de kans op het vinden van 15 correcte positieve testresultaten komt nog voor in
0,19% van de gevallen. Het is niet omdat die kans klein is, dat het niet meer zal voorkomen.
Dat wil dus ook zeggen dat er in 0,19% van de tijd foute conclusies getrokken zullen worden,
waarbij geconcludeerd zal worden dat homeopathie effectief is terwijl dat niet zo is.
Dus: statistiek helpt bij het samenvatten en weergeven van de sterktes van de evidentie voor
of tegen een veronderstelling, maar men moet in het achterhoofd houden dat er altijd
fouten gemaakt kunnen worden in conclusies.
Conclusie: Statistiek helpt bij het kwantificeren en controleren van fouten.
Deel 2: Basisprincipes van statistische methodologie
Hoofdstuk 3: Wat is statistiek?
3.1 Voorbeeld 1: Afwezigheide wegens ziekte
3
, Interpretatie 2 x 2 tabel:
Nog geen afwezigheid wegens ziekte: 245 vrouwen, 98 mannen -> totaal: 343
Ooit afwezig geweest wegens ziekte: 184 vrouwen, 58 mannen -> totaal: 242
Aantal vrouwen in de studie: 429
Aantal mannen in de studie: 156
Totaal aantal participanten in de studie: 585
Vergelijking tussen percentage vrouwen en mannen ooit afwezig wegens ziekte:
42,89% vrouwen (184/429) versus 37,18% mannen (58/156).
Waarom die vergelijking?
Het onderzoek peilt naar factoren die afwezigheid wegens ziekte beïnvloeden. Hier kijken ze
specifiek naar gender. Daarom moet men het aantal vrouwen die zich ooit ziekgemeld
hebben bepalen op het totaal aantal vrouwen en moet men hetzelfde doen voor het aantal
mannen, om te kunnen bepalen of gender een invloed heeft op afwezigheid wegens ziekte.
Uit deze resultaten kan men afleiden dat er meer vrouwen afwezig zijn wegens ziekte dan
mannen, waardoor men zou kunnen besluiten dat vrouwen zich sneller ziekmelden dan
mannen en gender dus een rol speelt.
Echter, het kan zijn dat deze resultaten bekomen zijn door puur toeval. Daarom is het
verstandig om te bepalen wat de kans is dat deze verschillen bekomen worden door puur
toeval. Als dit heel onwaarschijnlijk is, kan men concluderen dat er een relatie is tussen
gender en ziekte.
3.2 Voorbeeld 2: Baarmoederhalskanker
4
Deel 1: Introductie, motivatie en voorbeeld
Hoofdstuk 2: Homeopathie: De test
2.1 Blinding
Bias = dit is een systematische fout in het onderzoeksproces die kan ontstaan wanneer de
onderzoeker of de deelnemer beïnvloed wordt door kennis over de toewijzing aan een
bepaalde conditie of verwachting over het resultaat. Dit kan leiden tot een vertekend beeld
van de werkelijkheid, waardoor de resultaten niet meer objectief of representatief zijn.
In het onderzoek kunnen er 2 soorten bias optreden:
Observer bias = de onderzoeker weet onder welke condities elke participant zich
bevindt, waardoor hij/zij door verwachtingen onbewust fout positieve resultaten zal
rapporteren en/of interpreteren.
Performance bias = de participant weet onder welke conditie hij/zij zich bevindt,
waardoor hij/zij zich anders kan gedragen op basis van de veronderstelde
verwachtingen. Hieronder valt ook het placebo-effect, waarbij participanten zich
beter gaan voelen omdat ze denken dat hun behandeling werkt.
Bias kan dan voorkomen worden door blinding = het willekeurig toedienden van codes aan
samples of behandelingen. Vaak wordt double-blinding toegepast, waarbij zowel de
onderzoeker als de participanten niet weten tot welke groep ze behoren.
Deze codes worden verbroken nadat alle data verzameld wordt, zodat correcte resultaten
gerapporteerd kunnen worden.
Hoe minder objectief de metingen zijn, des te groter de kans op basis en dus des te
belangrijker blindering.
o Voorbeelden van objectieve metingen: overleving, oogkleur, lengte, hartslag, leeftijd,
bloeddruk (tenzij handmatig gemeten)
o Voorbeelden van semi-objectieve metingen: tumorreductie, MRI-interpretatie,
bloedwaarden met interpretatie, beoordeling van wondgenezing
Deze waarden worden bekomen door objectieve metingen, maar de resulaten
vereisen menselijke interpretatie en dat is semi-subjectief.
o Voorbeelden van subjectieve metingen: pijnscore (bv VAS-schaal), vermoeidheid,
angst/depressie (bv via vragenlijst), levenskwaliteit, slaapkwaliteit (zonder objectieve
meting)
Bij subjectieve metingen is het vaak belangrijk dat participanten zelf niet weten tot
welke groep ze behoren, om performance bias te vermijden.
1
,Blindering is niet even gemakkelijk onder eender welke conditie. Zo is blindering bij zichtbare
interventies praktisch onhaalbaar.
o Voorbeelden: toediening van een specifieke injectie per groep, andere
wondverzorging per groep, …
In deze situaties wordt er een duidelijk onderscheid gemaakt tussen groepen. Het kan zijn
dat er interventies gedaan worden waarbij dit onderscheid niet duidelijk is.
o Voorbeelden: andere pil in dezelfde verpakking, onbekend of injectie geneesmiddel
of placebo bevat, …
2.2 Placebo
Placebo = product dat de actieve stof niet bevat, enkel hulpstoffen, zodat alle eigenschappen
overeenkomen met het echte geneesmiddel in afwezigheid van de werkzame stof. Het is
ontworpen om identiek te lijken, smaken en aanvoelen als het echte middel, zodat
participanten en onderzoekers niet kunnen onderscheiden of ze het actieve middel krijgen.
Dit maakt het mogelijk om het effect van de werkzame stof afzonderlijk te meten, los van
psychologische of contextuele invloeden.
Het feit dat patiënten beter worden is géén evidentie voor de effectiviteit van de
behandeling: natuurlijke verbetering kan optreden, of verbetering kan het resultaat zijn van
de aandacht dat er gegeven wordt aan de participant.
Daarom is placebo een vereiste voor het aantonen van de effectiviteit van een behandeling,
omdat er dan vergelijkingen gemaakt kunnen worden tussen de placebo-resultaten en de
geneesmiddel-resultaten en er op basis van die vergelijkingen correcte interpretaties over de
effectiviteit van de behandeling gedaan kunnen worden.
Gevallen waarbij placebo niet ethisch zou zijn, maken gebruik van vergelijking tussen de
nieuwe behandeling en de standaardbehandeling die al toegepast wordt in de praktijk.
Het doel daarvan is om te bewijzen dat de nieuwe behandeling minstens even goed is als de
standaardbehandeling.
2.3 Het ultieme experiment en de statistieken
Hoe een 2 x 2 tabel interpreteren?
Kolommen = beslissing: deze kolommen moet men
verticaal lezen.
2
,Rijen = werkelijkheid: deze rijen moet men horizontaal lezen.
Maar men moet deze resultaten gecombineerd interpreteren. Dat doet men als volgt: bij de
kolom van homeopathie heeft men de getallen 11 en 9, die representeren allebei de keuze
van homeopathie. Maar het cijfer 11 hoort bij de rij homeopathie, en het cijfer 9 hoort bij de
rij placebo. Dit wil zeggen dat er 11 flesjes gekozen werden als homeopathie die werkelijk
homeopathie zijn, maar dat er 9 flesjes gekozen werden als homeopathie die werkelijk
placebo zijn. Dit kan men ook toepassen bij de kolom van placebo, waarbij 9 flesjes als
placebo gegroepeerd werden maar in werkelijkheid homeopathie zijn, en 11 flesjes als
placebo gegroepeerd werden die in werkelijkheid placebo zijn.
Besluit: 11/20 werd juist gekozen, wat wil zeggen dat er een lichte evidentie is voor de
effectiviteit van homeopathie.
Bij x = 11 correcte positieve testresultaten is de kans dat dit resultaat optreedt door puur
toeval gelijk aan 37,62% (onder de aanname dat homeopathie geen effect heeft). Dit
betekent dat zo’n resultaat relatief vaak voorkomt. Daarom is er geen reden om aan te
nemen dat homeopathie effectiever is dan toeval.
—> H en P worden als equivalent beschouwd.
Bij x = 15 correcte positieve testresultaten is de kans dat dit resultaat optreedt door puur
toeval gelijk aan slechts 0,19%. Zo’n klein percentage betekent dat het bijna nooit voorkomt
als homeopathie niet effectief is. Daarom is dit sterk bewijs tegen de nulhypothese (stelt dat
H = P), en dus bewijs vóór een effect van homeopathie.
—> H en P worden niet als equivalent beschouwd.
Echter, de kans op het vinden van 15 correcte positieve testresultaten komt nog voor in
0,19% van de gevallen. Het is niet omdat die kans klein is, dat het niet meer zal voorkomen.
Dat wil dus ook zeggen dat er in 0,19% van de tijd foute conclusies getrokken zullen worden,
waarbij geconcludeerd zal worden dat homeopathie effectief is terwijl dat niet zo is.
Dus: statistiek helpt bij het samenvatten en weergeven van de sterktes van de evidentie voor
of tegen een veronderstelling, maar men moet in het achterhoofd houden dat er altijd
fouten gemaakt kunnen worden in conclusies.
Conclusie: Statistiek helpt bij het kwantificeren en controleren van fouten.
Deel 2: Basisprincipes van statistische methodologie
Hoofdstuk 3: Wat is statistiek?
3.1 Voorbeeld 1: Afwezigheide wegens ziekte
3
, Interpretatie 2 x 2 tabel:
Nog geen afwezigheid wegens ziekte: 245 vrouwen, 98 mannen -> totaal: 343
Ooit afwezig geweest wegens ziekte: 184 vrouwen, 58 mannen -> totaal: 242
Aantal vrouwen in de studie: 429
Aantal mannen in de studie: 156
Totaal aantal participanten in de studie: 585
Vergelijking tussen percentage vrouwen en mannen ooit afwezig wegens ziekte:
42,89% vrouwen (184/429) versus 37,18% mannen (58/156).
Waarom die vergelijking?
Het onderzoek peilt naar factoren die afwezigheid wegens ziekte beïnvloeden. Hier kijken ze
specifiek naar gender. Daarom moet men het aantal vrouwen die zich ooit ziekgemeld
hebben bepalen op het totaal aantal vrouwen en moet men hetzelfde doen voor het aantal
mannen, om te kunnen bepalen of gender een invloed heeft op afwezigheid wegens ziekte.
Uit deze resultaten kan men afleiden dat er meer vrouwen afwezig zijn wegens ziekte dan
mannen, waardoor men zou kunnen besluiten dat vrouwen zich sneller ziekmelden dan
mannen en gender dus een rol speelt.
Echter, het kan zijn dat deze resultaten bekomen zijn door puur toeval. Daarom is het
verstandig om te bepalen wat de kans is dat deze verschillen bekomen worden door puur
toeval. Als dit heel onwaarschijnlijk is, kan men concluderen dat er een relatie is tussen
gender en ziekte.
3.2 Voorbeeld 2: Baarmoederhalskanker
4
